Review Analyzer Skill

AI驱动的电商评论深度分析工具，支持22维度智能标签、用户画像识别、VOC洞察和可视化看板生成。

特性

22维度智能标签系统

全面覆盖评论信息的8大维度：

人群维度 (4): 性别、年龄段、职业、购买角色
场景维度 (1): 使用场景
功能维度 (2): 满意度、具体功能
质量维度 (3): 材质、做工、耐用性
服务维度 (5): 发货速度、包装质量、客服响应、退换货、保修
体验维度 (4): 舒适度、易用性、外观设计、价格感知
市场维度 (2): 竞品对比、复购意愿
情感维度 (1): 总体评价

三位一体输出

CSV标签数据: 原始评论 + 22维度 AI 标签
Markdown洞察报告: 战略机会点、痛点、优化建议
HTML可视化看板: 交互式图表、黑金设计

快速开始

安装

# 克隆到 Claude Code skills 目录
cp -r review-analyzer-skill ~/.claude/skills/

# 或直接使用
cd review-analyzer-skill

使用

在 Claude Code 中用自然语言调用：

# 示例1：指定文件分析
请分析这个产品的评论：reviews.csv

# 示例2：描述需求
帮我做一下竞品评论的深度分析

# 示例3：指定数量
分析最近100条评论数据

CSV 文件格式要求

必需列（自动模糊匹配）：

评论内容：内容/评价/body/review/text/comment
评分：打分/rating/score/star

可选列：

时间：时间/date/日期/time
标题：标题/title/summary
用户名：用户/user/username

输出文件

分析完成后，将在 output/ 目录生成三种报告：

| 文件 | 格式 | 内容说明 | |------|------|----------| | 评论采集及打标数据_{ASIN}.csv | CSV | 原始评论 + 22维度标签数据 | | 分析洞察报告_{ASIN}.md | Markdown | 深度洞察分析与建议 | | 可视化洞察报告_{ASIN}.html | HTML | 高品质可视化看板 |

目录结构

review-analyzer-skill/
├── skill.md              # Skill 定义文件
├── README.md             # 说明文档
├── prompts/              # 提示词模板
│   ├── tagging.txt      # 单条评论打标
│   ├── tagging_batch.txt # 批量打标
│   └── insights.txt     # 洞察报告生成
├── templates/            # 输出模板
│   └── report.html      # HTML 可视化模板
├── utils/               # 工具脚本
│   ├── csv_reader.sh    # CSV 读取
│   ├── tagging_core.sh  # 标签提取核心
│   ├── insights_generator.sh  # 洞察报告生成
│   ├── html_generator.sh  # HTML 生成
│   ├── analyzer_controller.sh  # 主控制器
│   ├── merge_csv.py     # CSV 合并工具
│   └── test.sh          # 测试脚本
└── output/              # 输出目录

工作流程

参数收集：询问分析数量（100条/300条/全部）
CSV解析：读取并处理CSV文件
批量打标：每批最多30条评论并发处理
统计分析：计算情感分布、用户画像等
报告生成：生成洞察报告和可视化看板

测试

运行测试脚本验证安装：

cd utils
chmod +x test.sh
./test.sh

依赖

必需: Bash, sed, awk, grep
推荐: Python3 (用于CSV合并)
推荐: jq (用于JSON处理)

使用场景

场景1：产品优化

分析自己产品的评论，发现用户痛点，优化产品功能和设计。

场景2：竞品分析

分析竞品评论，了解竞争对手的优势和劣势，寻找差异化机会。

场景3：市场调研

批量分析多个产品的评论，了解市场需求、用户偏好和行业趋势。

场景4：用户洞察

深度了解目标用户群体，构建精准用户画像，优化营销策略。

注意事项

分析数量: 推荐选择 100 条评论以平衡速度与质量
并发限制: 每批最多处理 30 条评论
输出目录: 默认 output/，可自定义
编码支持: UTF-8/GBK/GB2312 自动检测

技术架构

不依赖 Python: 使用 Bash 脚本处理核心逻辑
AI 驱动: 使用 Claude 内置模型进行标签提取和分析
批量处理: 支持并发处理提高效率
模块化设计: 各模块独立，易于维护和扩展

License

MIT